Phase 5 : Entraînement du modèle (Linux)

Cette phase utilise le jeu de données collecté pour entraîner une politique (ACT, etc.) et produire un modèle déployable. Linux est le meilleur environnement pour l'entraînement sur GPU — les dépendances CUDA torch sont résolues automatiquement, sans configuration manuelle.

---

Prérequis

• Phase 4 : Collecte de données terminée

• GPU NVIDIA (recommandé), pilote CUDA (vérifiable avec nvidia-smi)

• Jeu de données enregistré (visible dans le cache local)

---

Étape 1 : Vérifier l'environnement GPU

# Vérifier le pilote CUDA
nvidia-smi

# Vérifier que torch peut utiliser CUDA
python -c "import torch; print('CUDA:', torch.cuda.is_available(), '| GPU:', torch.cuda.get_device_name(0) if torch.cuda.is_available() else 'N/A')"

Sortie attendue : CUDA: True | GPU: <your_gpu_name>

⚠️ Remarque (CUDA torch) : si CUDA: False, cela signifie que la version CPU de torch est installée. Réinstallez la version CUDA :

# Source officielle (réseau hors Chine)
pip install torch --index-url https://download.pytorch.org/whl/cu128

# Pour un réseau en Chine continentale, préférez le miroir Alibaba Cloud
pip install torch --index-url https://mirrors.aliyun.com/pytorch-wheels/cu128

Ou bien entraînez sur CPU (--policy.device=cpu, mais beaucoup plus lent).

💡 Astuce : pip install -e ".[amazinghand]" résout généralement déjà la version GPU de torch sous Linux (si un environnement CUDA est détecté). Sinon, réinstallez avec les commandes ci-dessus.

---

Étape 2 : Entraînement

lerobot-train \
  --dataset.repo_id=soarm_amazing_hand_pick \
  --dataset.root=~/lerobot_data \
  --policy.type=act \
  --output_dir=outputs/train/soarm_amazing_hand_pick \
  --job_name=soarm_amazing_hand_pick \
  --policy.device=cuda \
  --wandb.enable=false \
  --policy.push_to_hub=false \
  --steps=60000

💡 Explication : --dataset.repo_id et --dataset.root doivent être parfaitement identiques à ceux de l'enregistrement de la phase 4 (repo_id=soarm_amazing_hand_pick, root=~/lerobot_data) pour pouvoir lire le jeu de données local, sans connexion HF.

---

Description des paramètres

Paramètre	Description
--dataset.repo_id	Nom du jeu de données (identique à celui de l'enregistrement)
--dataset.root	Chemin local du jeu de données (identique à celui de l'enregistrement)
--policy.type	Type de politique ; act est un choix courant
--output_dir	Répertoire de sortie de l'entraînement (checkpoints, journaux)
--job_name	Nom de la tâche (pour distinguer les journaux)
--policy.device	cuda (GPU) ou cpu
--wandb.enable	Journalisation des poids ; false la désactive (aucun compte wandb requis)
--policy.push_to_hub	Indique s'il faut envoyer le modèle vers HF ; false = local uniquement
--steps	Nombre de pas d'entraînement

---

Explication du processus d'entraînement

• checkpoints : enregistrés automatiquement à chaque pas dans outputs/train/soarm_amazing_hand_pick/checkpoints/

• Journaux : le terminal affiche en temps réel des indicateurs tels que la loss

• Durée : 60000 pas prennent généralement plusieurs heures sur un GPU grand public (cela dépend de la carte graphique)

⚠️ Remarque 1 (ajustement du nombre de pas) : --steps=60000 est une valeur typique pour ACT. Pour une tâche simple, vous pouvez réduire à 30000 ; pour une tâche complexe, augmenter à 100000+. Observez la convergence de la loss.

⚠️ Remarque 2 (reprise après interruption) : après une interruption, relancer la commande avec les mêmes paramètres reprendra à partir du dernier checkpoint.

⚠️ Remarque 3 (wandb) : si vous souhaitez visualiser la courbe de loss, activez --wandb.enable=true (nécessite wandb login). Désactivé par défaut.

⚠️ Remarque 4 (serveur sans écran) : si vous entraînez sur un serveur en SSH / sans écran, veillez à ne pas dépendre d'une GUI (l'entraînement lui-même n'a pas besoin d'affichage). Si vous utilisez des paramètres liés à --display_data, un serveur d'affichage est nécessaire.

⚠️ Remarque 5 (entraînement en arrière-plan) : pour un entraînement long, il est recommandé d'utiliser nohup ... & ou tmux pour maintenir le processus, afin d'éviter une interruption lors d'une déconnexion SSH :

tmux new -s train
lerobot-train --dataset.repo_id=...
# Ctrl+B puis D pour détacher ; tmux attach -t train pour revenir

---

Une fois cette phase terminée, passez à la phase 6 : Déploiement et évaluation.

---

Dépannage

Symptôme	Cause	Solution
CUDA: False	Version CPU de torch	Réinstaller la version CUDA de torch
Mémoire GPU insuffisante (OOM)	Taille de lot trop grande	--policy.batch_size=8 ou moins
Jeu de données introuvable	repo_id/root incohérents	Vérifiez que --dataset.repo_id et --dataset.root sont parfaitement identiques à ceux de l'enregistrement
Coupure SSH en cours d'entraînement	Processus tué	Entraînez en arrière-plan avec tmux/nohup
Erreur wandb	Non connecté	--wandb.enable=false ou wandb login

Produits associés

Kit développeur SO-ARM101→Main dexterous 4 doigts AmazingHand→